Análisis de Riesgos en los Sistemas de Información. Risk Analysis

Análisis de Riesgos en los Sistemas de Información. Risk Analysis
Análisis de Riesgos en los Sistemas de Información.
Un Enfoque Difuso.
Risk Analysis in Information Systems.
A Fuzzy Approach.
E. Vicente, A. Mateos y A. Jiménez
Grupo de Análisis de Decisiones y Estadística.
Universidad Politécnica de Madrid. España.
e.vicentecestero@upm.es, {amateos,ajimenez}@fi.upm.es
Resumen— En los modelos promovidos por las normativas
internacionales de análisis de riesgos en los sistemas de
información, los activos están interrelacionados entre sí, de modo
que un ataque sobre uno de ellos se puede transmitir a lo largo de
toda la red, llegando a alcanzar a los activos más valiosos para la
organización. Es necesario entonces asignar el valor de todos los
activos, así como las relaciones de dependencia directas e
indirectas entre estos, o la probabilidad de materialización de
una amenaza y la degradación que ésta puede provocar sobre los
activos. Sin embargo, los expertos encargados de asignar tales
valores, a menudo aportan información vaga e incierta, de modo
que las técnicas difusas pueden ser muy útiles en este ámbito.
Pero estas técnicas no están libres de ciertas dificultades, como la
necesidad de uso de una aritmética adecuada al modelo o el
establecimiento de medidas de similitud apropiadas. En este
documento proponemos un tratamiento difuso para los modelos
de análisis de riesgos promovidos por las metodologías
internacionales, mediante el establecimiento de tales elementos.
Abstract— Assets are interrelated in risk analysis methodologies
for information systems promoted by international standards.
This means that an attack on one asset can be propagated
through the network and threaten an organization’s most
valuable assets. It is necessary to valuate all assets, the direct and
indirect asset dependencies, as well as the probability of threats
and the resulting asset degradation. However, the experts in
charge to assign such values often provide only vague and
uncertain information. Fuzzy logic can be very helpful in such
situation, but it is not free of some difficulties, such as the need of
a proper arithmetic to the model under consideration or the
establishment of appropriate similarity measures. Throughout
this paper we propose a fuzzy treatment for risk analysis models
promoted by international methodologies through the
establishment of such elements.
Keywords-component; análisis de riesgos,
información, números difusos trapezoidales)
sistemas
de
INTRODUCCIÓN
I.
Las normas promovidas por la Organización Internacional
para la Estandarización (ISO) [10], [11] sobre seguridad de los
sistemas de información (SI) sugieren metodologías de
análisis y gestión de riesgos que contemplan tres fases
fundamentales (Fig. 1).
Figura 1: Proceso de Análisis y Gestión de Riesgos en los
Sistemas de Información.
En la fase de análisis se determinan los activos que
intervienen en el sistema de información, las relaciones entre
éstos (dependencias), las amenazas a que están expuestos y,
por último, las salvaguardas que se pueden implementar para
hacer frente a esas amenazas. Los activos son los recursos del
SI, o relacionados con éste, necesarios para que la
Organización funcione correctamente y alcance los objetivos
propuestos por su dirección. Pueden ser datos, aplicaciones
software, instalaciones, hardware, servicios,...
Las dependencias entre los activos se suelen dar en términos
de porcentaje, indicando con qué probabilidad los fallos de un
activo pueden afectar a otro.
Generalmente, el valor total de los activos de una
Organización se concentra en unos pocos elementos (activos
terminales ) que suelen ser de tipo “datos” o “servicios”. El
valor de estos activos se transmite al resto de activos a través
de las relaciones de dependencia establecidas, de modo que
los activos que no son terminales no tienen valor propio, sino
que lo acumulan de los activos terminales. Sin embargo, las
metodologías propuestas por las normas internacionales
obvian la dificultad de asignar acertadamente las dependencias
entre activos, así como el valor de los activos terminales o el
impacto que provocaría sobre todo el sistema la
materialización de una amenaza sobre un activo. Estas
metodologías tampoco consideran la incertidumbre sobre estas
valoraciones.
En este trabajo proponemos el uso de la Lógica Difusa en el
análisis de riesgos en los sistemas de información como
solución a tales deficiencias. Para ello utilizamos una
aritmética adecuada que extiende a los números difusos la
metodología de valoración de dependencias entre los activos
propuesta por las normas internacionales. Admitiendo además
la inclusión de términos lingüísticos difusos en las
componentes de valor de los activos terminales de la
estructura básica del análisis de riesgos en los SI.
II.
EVALUACIÓN DIFUSA DE LAS
DEPENDENCIAS.
Consideremos el conjunto TF[0,1] de los números difusos
trapezoidales con soporte en [0,1], es decir, dados por la tupla
(a,b,c,d) con
, junto con una función
que indica el grado de pertenencia a dicho número:
^~( )
{
Consideremos en TF[0,1] la siguiente aritmética [25]:
Sii
(
) yÍ
(
) entonces:
i
Í
(
)
Ám
(
)
y
son dos leyes de composición interna en el conjunto
TF[0,1] que verifican las propiedades conmutativa, asociativa
y de existencia de elemento neutro .
Como indicábamos anteriormente, en los SI los activos están
conectados mediante relaciones de dependencia, de modo que
un fallo en un activo puede afectar al resto de los activos.
Estas relaciones de dependencia llevan a una estructura como
la que se puede ver en la Fig. 2, en la que el valor total del
sistema se concentra en los activos terminales (información y
datos, y servicios).
Diremos que el activo
depende del activo
, y lo
denotaremos gráficamente por
si un fallo en
provoca un fallo en
con probabilidad
{ A ) a la que
denominamos grado de dependencia de
sobre .
Las metodologías oficiales sobre análisis de riesgo en los SI
[7], [13], [16] asignan un porcentaje para indicar el grado de
dependencia entre dos activos y, en ocasiones, proponen el uso
de un valor booleano para indicar si existe o no tal
dependencia, sin importar el grado en que ésta se produce.
Frente a estas metodologías, nosotros proponemos el uso de
números difusos trapezoidales, de modo que
(A^A)
. De este modo, los expertos pueden construir una
escala de términos lingüísticos para asignar de forma intuitiva,
y admitiendo imprecisión, la dependencia entre dos activos.
De la estructura general de dependencias del SI se sigue que la
Figura 2: Estructura general de dependencias entre activos
de un Sistema de Información.
dependencia entre activos no tiene por qué ser directa, sino
que puede ser transitiva. Es decir, la transmisión de un fallo
entre dos activos puede pasar de por activos intermedios, de
modo que estamos interesados en calcular el grado de
dependencia indirecto entre dos activos no consecutivos de la
estructura general de dependencias. Denotaremos el grado de
dependencia de
sobre_^ , a través de los activos
intermedios , como
ÍA^A), y se calcula siguiendo el
siguiente algoritmo (puede verse un ejemplo en la Sección
IV):
Denotemos por
el conjunto de caminos
que conectan con .
A) Si todos los activos, salvo y , en los caminos de
P están influidos por un solo activo entonces:
(A~A \P)
CA^A)
(1)
donde
(Á~A \P)
(Á~A )
(Á~~Á )
rjA^
) , con (
).
B) En otro caso, podemos asumir que los primeros r
caminos de P están formados por caminos en los que
cada activo está a su vez influido por un único activo,
y los restantes
caminos incluyen activos que
están a su vez influidos por varios activos
simultáneamente. Entonces para los r primeros
caminos procedemos como en A) y denotamos por S
el conjunto de los
caminos restantes. En S
procedemos de la siguiente manera:
a. Consideramos el conjunto de activos no
terminales de S influidos por dos o más
activos. Denotamos por I a este conjunto. Sea
NI el subconjunto de I de los activos que no
están influidos por otro activo de I .
b. Consideremos un activo
de NI. Entonces
simplificamos el camino de S que incluye el
activo
tomando
con
(A^A)
iA^A) que ha sido calculado
en el paso anterior.
c. Eliminamos los caminos repetido de S y man-
d.
e.
tenemos un único camino que agrupa a los anteriores.
Construimos de nuevo los conjuntos I y NI de S.
Si NI no es vacío volvemos al paso b. En otro caso, el
algoritmo ha finalizado.
Denotemos el conjunto de caminos resultante por
con
. Entonces el grado
de dependencia de , dado
es:
óc^)
(A~Á \PY
(2)
El interés de las operaciones dadas radica en la acotación del
conjunto de números difusos. Podemos asegurar que las
operaciones entre términos lingüísticos difusos trapezoidales
de una escala en [0,1] van a permanecer en TF[0,1], y
mediante una función de similitud los resultados de estas
operaciones se podrán traducir en uno de los términos
lingüísticos de la escala. Además, la operación
es
consistente con las metodologías establecidas de Análisis y
Gestión de Riesgos como M A G E R I T [13]-[15], propuesta por
el Ministerio de Administraciones Públicas de España, y, junto
con el algoritmo desarrollado anteriormente, permite
interpretaciones en términos probabilísticos [20].
Dadas las operaciones y , la metodología para derivar la
dependencia de cada activo de los activos terminales consiste
en los siguientes pasos:
•
PASO 1: Se establece una escala de términos lingüísticos
difusos.
•
PASO 2: Se determina el grado de influencia de cada dos
activos consecutivos en la estructura general de
dependencias, estimando un término lingüísticos de la
escala dada.
•
PASO 3: Se determina el grado de influencia indirecto de
los activos respecto de los activos terminales mediante
las ecuaciones (1) y (2). Este grado de dependencia será
un número difuso trapezoidal.
Un ejemplo de escala lingüísticos útil para este proceso se
puede ver en la Tabla I.
III.
VALORACIÓN DE LOS ACTIVOS .
La metodología M A G E R I T define el valor de un activo como
las pérdidas que tendríamos si prescindiéramos de dicho
activo. Estas pérdidas pueden ser en concepto monetario,
confianza de los usuarios, imagen de la organización...
Tabla I: Escala de términos lingüísticos y números difusos
trapezoidales.
Término Lingüístico
Muy Bajo (VL)
Bajo (L)
Medio-Bajo (M-B)
Medio (M)
Medio-Alto (M-H)
Alto (H)
Muy Alto (V-H)
Número Difuso
(0,0,0,0.05)
(0, 0.075, 0.125, 0.275)
(0.125, 0.275, 0.325, 0.475)
(0.325, 0.475, 0.525, 0.675)
(0.525, 0.675, 0.725, 0.875)
(0.725, 0.875, 0.925, 1)
(0.925, 1, 1, 1)
Los activos tienen cinco componentes de valor [13]-[15]:
Confidencialidad (¿Qué daño causaría que lo conociera quien
no debe?), integridad (¿Qué perjuicio causaría que estuviera
dañado o corrupto?), autenticidad (¿Qué perjuicio causaría no
saber exactamente quién hace o ha hecho cada cosa?),
trazabilidad (¿Qué daño causaría no saber a quién se le presta
tal servicio?) y disponibilidad (¿Qué perjuicio causaría no
tenerlo o no poder utilizarlo?).
Únicamente los activos terminales tienen valor propio. El resto
de activos acumulan su valor a partir del valor de los activos
terminales y las relaciones de dependencia.
Para considerar la imprecisión a la hora de valorar los activos
terminales, al igual que para determinar las dependencias,
vamos a recurrir al establecimiento de términos lingüísticos
que representan números difusos.
Podemos escribir el valor propio en los activos terminales
como V
(V V V V V) donde V ser un t rmino
lin stico difuso asignado por un experto en la componente
de valor (i)- ésima para el activo
.
El valor acumulado de un activo
respecto de los activos
terminales
es:
V
M(Á;j,)v
(3)
Para obtener el valor acumulado de los activos no terminales
seguiremos, entonces, los siguientes pasos:
•
PASO 4: Se estima el valor en cada componente de los
activos terminales asignando un término lingüístico.
•
PASO 5: Se calcula el valor acumulado en el resto de
activos mediante la ecuación (3).
IV.
LAS AMENAZAS.
Llamamos amenaza
[13]-[15] a un evento que puede
desencadenar un incidente en la Organización, produciendo
daños materiales o pérdidas inmateriales en sus activos.
Tras haber valorado los activos, el siguiente paso en la
metodología de análisis de riesgos es la valoración de las
amenazas y la estimación de indicadores de impacto y riesgo
sobre los activos. Para valorar las amenazas M A G E R I T
sugiere las medidas:
•
Degradación: Perjuicio que la amenaza puede provocar
sobre el activo.
•
Frecuencia: Cada cuánto tiempo se materializa la
amenaza.
La frecuencia se mide como el número medio de ocurrencias
de la amenaza en un intervalo determinado de tiempo.
Típicamente se estima sobre periodos anuales. En nuestro caso
daremos términos lingüísticos difusos en lugar de porcentajes
y probabilidades para indicar la degradación y la frecuencia.
Una vez determinadas estas dos medidas se calculan los
indicadores de impacto y riesgo que se definen a continuación.
Una amenaza es un vector u (f,d) cuyas componentes son
la frecuencia y la degradación. Esta última, a su vez se puede
dar en cada componente de valor.
Consideremos una amenaza sobre el activo
cuya
degradación en cada componente viene dada por el vector
d (á (¿ (¿ (¿ (¿). Es decir, que la amenaza provoca una
degradación de gravedad (l en la componente i- ésima del
activo.
Cuando la amenaza se materializa, cada componente se verá
afectada según la expresión
/,•
dV
(4)
/ es el impacto provocado sobre el activo atacado.
Para calcular el riesgo sobre este activo podemos utilizar la
expresión
Rj
i.
(5)
Una vez calculado el impacto provocado por una amenaza
materializada sobre un activo del sistema podemos calcular el
impacto transmitido a los activos inferiores que dependen del
activo atacado.
Si es el activo sobre el que se ha materializado la amenaza
y
un activo inferior cuyo grado de dependencia con es
{A^A) entonces la amenaza sobre el activo provoca un
impacto sobre
de 4
{A^A)dV,
de modo que
el riesgo sobre el activo inferior será fi 4 / .
Por tanto, tras identificar las amenazas, su degradación y su
frecuencia, los pasos que seguiremos para identificar el
impacto y el riesgo sobre los activos atacados son:
• PASO 6: Se calculan los parámetros de impacto y riesgo
en cada activo mediante las ecuaciones (4) y (5).
• PASO 7: Finalmente, el resultado difuso trapezoidal se
asocia a uno de los términos lingüísticos de la escala
dada mediante una función de similitud.
V.
FUNCIÓN DE SIMILITUD.
Definimos el grado de similitud entre los números difusos
trapezoidales A (
) yB
{
) como:
•
Si
(
) (
)
entonces:
/
LABÍx)
(iB)
(
V
¡o^six)J
2 | l
•
En otro caso,
donde
) (
|
)
l
|
l
xix) es la función de pertenencia de X.
^six)
^{x)B{x)
ABÍX)
^ix)sC
)
)
AÍ
)
(
^X
í
\
í
A
SAm^
,^ ^ ^
\~
/
]
(^^)
,
(ss)
, lo cual
es trivial.
Proposición 2: (ÁB)
(BÁ)
ÁB
La demostración es trivial [21].
Proposición 3: (ÁB)
i
B.
Demostración: La implicación inversa es evidente. Veamos
la implicación directa.
Si
(
) (
)
, entonces
(i5)
)
(
I]|
^°
|
( A £ )
/
( B B )
CABix)
(
I
I]|
( A ^ )
( B B )
Y como los tres sumandos son positivos o nulos, y
deben ser:
ílAm{x)
i:|
|
[ÍXAA)ÍXBB)
/ O A B W
Por tanto
i
B.
Si
(
) (
)
la demostración es análoga.
Proposición 4: Si i
(
) y B (
)
entonces ( Í B )
|
|
Demostración: En estas hipótesis se tiene que
(
) (
)
, por tanto:
(ÁB)
f i ^
)^^^ f i ^
) \X^
g\
il^
j \ \ - [ ^ ^
) \ a \
\ \ .
Estas propiedades garantizan la bondad de la función de
similitud utilizada [21].
VI.
I]|
(
El punto {X^ ¿) es centro de gravedad del número difuso
trapezoidal [4].
Proposición 1: S{ÁB)
ÁB
Demostración: Puesto que los pesos suman 1, basta ver que
EJEMPLO ILUSTRATIVO.
Consideremos la estructura de dependencias dada en la Fig. 3
en que el único activo terminal es A6, y, por tanto, todo el
valor del sistema se concentra en este activo. En esta figura se
han señalado los grados de dependencia directos entre los
activos, utilizando los términos lingüísticos de la Tabla I.
A. Dependencias indirectas sobre el activo terminal.
En primer lugar vamos a calcular el grado de influencia
indirecto del activo
sobre el activo .
El conjunto de caminos que conectan
con
es:
(
)
(
)
(
)
(
)
(
)
(
)
(
)
El activo
está influido por los activos
y ,y
está
Tabla II: Dependencias indirectas de cada activo con el
activo terminal.
C^j.^)
(0.679, 0.891, 0.949, 1)
(0.725, 0.875, 0.925, 1)
(0, 0.107, 0.182, 0.409)
(0, 0.075, 0.125, 0.275)
(0, 0, 0, 0.05)
[((
(
(
Figura 3: Estructura general de dependencias del ejemplo.
influido por
y . Por tanto, aplicamos el apartado B) del
algoritmo de la Sección 2, con
y
y procedemos como sigue:
) (
) [ ( (
))
)
))(
)
)
(
)
)
)0
)
(
)
)
a.
b.
y
entonces podemos simplificar
Seleccionamos
),
(
y
mediante
(
),
(
respectivamente, con
óV4
(AZ'A)
(AZ'A ))
ya que
y
c.
d.
y
e. Ir al paso b.
entonces simplificamos
b.2 Seleccionamos
y como
(
(
) _y.
) ,
CAT^ )
respectivamente, con r ^ i , ^ )
( (A^A)
(AZ'^
).
c.2
ya que
d.2
y
.
e.2 El algoritmo finaliza ya que
y el grado de dependencia de
Finalmente
con respecto a
óC^)
r¿^i'Í4;|
es
CiTTgIP)
) '(/(Í7
(^4¡74))(
{A'jA^\l
)
(A;7Í4)
)
)
(A^A))
(A;:A)){g
(A^A)
Sustituyendo los arcos por los términos lingüísticos que
indican los grados de dependencia obtenemos:
)
(
(
[((
(
(
(
)
(
(
)
(
)
(
)
)
(
))
0
((
)
(
)
)
))
De forma análoga se calculan los grados de dependencia del
resto de activos no terminales, dados en la Tabla II:
B.
Valoración del activo
a partir del valor del
activoterminal y del grado de dependencia
{A^,A).
Supongamos que los expertos asignan un valor sobre
dado
por sus cinco componentes de V
(
) . Entonces
el valor acumulado sobre
se calcula aplicando la ecuación
(3), de donde obtenemos la Tabla III.
C. Amenazas. Indicadores de impacto y riesgo.
Consideremos una amenaza sobre el activo
con una
degradación d
(
) y una frecuencia/
.
Entonces los indicadores de impacto y riesgo, que resultan de
las ecuaciones (4) y (5) se pueden ver en las Tabla IV y V.
D.
Si ahora aplicamos la función de similitud sobre los pares
formados por números difusos trapezoidales de la escala dada
en la Tabla I y los indicadores de riesgo, podemos obtener un
término lingüístico para expresar el riesgo en el activo
atacado. Por ejemplo, la similitud del riesgo en la componente
confidencialidad para cada término de la escala se puede ver
en la Tabla VI, de donde se sigue que el riesgo sobre
en
dicha componente es Medio-Bajo.
VII. CONCLUSIONES.
Se ha desarrollado un modelo de análisis de riesgos en los
sistemas de información basado en la metodología MAGERIT
que incorpora conocimiento experto por medio de números
difusos trapezoidales. El modelo difuso utiliza una aritmética
adecuada basada en el cálculo de probabilidades para
establecer las dependencias entre los activos de información
del sistema, de modo que el valor de dichos activos se
determina a partir del valor de los activos terminales del
sistema y de las dependencias con éstos. Al final del proceso
de cálculo, por medio de una función de similitud de números
difusos, se identifica el término adecuado de una escala
lingüística previa para denotar el correspondiente índice de
impacto y riesgo.
AGRADECIMIENTOS.
El desarrollo de este trabajo ha sido posible gracias a la
financiación de la Comunidad Autónoma de Madrid a través
del proyecto S-2009/ESP-1685 y del Ministerio de Ciencia y
Tecnología del Gobierno de España a través del proyecto
MYTM2011-28983-C03-03.
Tabla III: Valor acumulado de
Componente
Confidencialidad
Integridad
Autenticidad
Trazabilidad
Disponibilidad
en cada componente.
V
(0.492, 0.779, 0.877, 1)
(0.492, 0.779, 0.877, 1)
(0.22, 0.423, 0.498, 0.675)
(0, 0.066, 0.118, 0.275)
(0.492, 0.779, 0.877, 1)
Tabla IV: Indicadores de impacto sobre
Componente
Confidencialidad
Integridad
Autenticidad
Trazabilidad
Disponibilidad
Impacto
(0.35, 0.68, 0.81 1)
(0, 0.05, 0.10, 0.27)
(0.07, 0.2, 0.26, 0.45)
(0, 0, 0, 0.013)
(0.16, 0.37, 0.46, 0.67)
Tabla V: Indicadores de riesgo sobre
Componente
Confidencialidad
Integridad
Autenticidad
Trazabilidad
Disponibilidad
Riesgo
(0.11, 0.32, 0.43, 0.67)
(0, 0.02, 0.05, 0.18)
(0.02, 0.09, 0.13, 0.30)
(0, 0, 0, 0.01)
(0.05, 0.17, 0.24, 0.45)
Tabla VI: Similitud del riesgo calculado en la componente
confidencialidad para el activo .
Término lingüístico
Muy Bajo (VL)
Bajo (L)
Medio-Bajo (M-B)
Medio (M)
Medio-Alto (M-H)
Alto (H)
Muy Alto (V-H)
Similitud
0.294
0.402
0.790
0.588
0.399
0.176
0.076
REFERENCIAS.
[I] C. Alberts and A. Dorofee, “Managing Information Security Risks: The
OCTAVE Approach”. New York: Addison- Wesley, 2002.
[2] C. Alberts and A. Dorofee, “OCTAVE-s Method Implementation Guide
Version 2.0”. Pittsburgh: Canergie Mellon University, 2005.
[3] S.-M. Chen, “New methods for subjective mental workload assessment
and fuzzy risk analysis”, Cybernetics Syst., vol. 27, pp. 449–472, 1996.
[4] S.-J. Chen and S.-M. Chen, “A new method to measure the similarity
between fuzzy numbers”, Proc. 10th IEEE Int. Conf. Fuzzy Syst., pp. 208–
214, 2001.
[5] ——, “Fuzzy risk analysis based on similarity measures of eneralized
fuzzy numbers”, IEEE Trans. Fuzzy Syst, vol. 11, pp. 45–56, 2003.
[6] ——, “Fuzzy risk analysis based on the rankin of eneralized trapezoidal
fuzzy numbers”, Appl Intell, vol. 26, pp. 1–11, 2007.
[7] CCTA Risk Analysis and Management Method (CRAMM), Version 5.0.
London: Central Computing and Telecommunications Agency (CCTA), 2003.
[8] F. Herrera and L. Mart nez., “A 2-tuple fuzzy linguistic representation
model for computin with words”, IEEE Trans. Fuzzy Syst., vol. 8, pp.746–
752, 2000.
[9] C.H. Hsieh and S.H. Chen, “Similarity of eneralized fuzzy numbers with
raded mean inte ration representation”, Proc. 8th Int. Fuzzy Syst. Assoc.
World Congress, pp. 551–555, 1999.
[10] ISO/IEC 17799:2005, Information Technology - Security Techniques
- Code of Practice for Information Security Management. Geneva:
International Organization for Standardization, 2005.
[ I I ] ISO/IEC 27005:2011, Information Technology - Security Techniques Information Security risk Management. Geneva: International Organization
for Standardization, 2005.
[12] H.S. Lee, “An optimal a re ation method for fuzzy opinions of roup
decision”, Proc. 1999 IEEE Int. Conf. Syst., Man., and Cybernetics, pp. 314–
319, 1999.
[13] F. López Crespo, M.A. Amutio-Gómez, J. Candau and J.A. Mañas,
Methodology for Information Systems Risk. Analysis and Management
(MAGERIT version 2). Book I-The Method. Madrid: Ministerio de
Administraciones Públicas, 2006a.
[14] ——, Methodology for Information Systems Risk Analysis and
Management (MAGERIT version 2). Book II-Catalogue of Elements. Madrid:
Ministerio de Administraciones Públicas, 2006b.
[15] ——, Methodology for Information Systems Risk Analysis and
Management (MAGERIT version 2). Book III-The Techniques. Madrid:
Ministerio de Administraciones Públicas, 2006c.
[16] Mehari 2010 - Risk Analysis and Treatment Guide. Paris: Club de la
S curit de l’Information Francais (CSIF), 2007.
[17] A. Méndez Barco and J.A. Mañas, Manual del Usuario Pilar Basic
versión 5.1. Madrid: Centro Criptológico Nacional, 2011.
[18] G. Stoneburner and A. Gougen, NIST 800-30 Risk Management. Guide
for Information Technology Systems. Gaithersburg: National Institute of
Standard and Technology, 2002.
[19] A. Syalim, Y. Hori and K. Sakurai, “Comparison of risk analysis
methods: Mehari, Magerit, NIST800-30 and Microsoft’s Security
Management Guide”, Proc. Int. Conf. Availability, Reliability and Security,
pp. 726–735, 2009.
[20] E. Vicente, A. Jim nez and A. Mateos. “A Fuzzy Approach to Risk
Analysis in Information Systems”. 2nd Internationa Conference on Operations
Research and Enterprise Systems. Barcelona 2013.
[21] E. Vicente, A. Mateos and A. Jim nez, “A New Similarity Function for
Generalized Trapezoidal Fuzzy Numbers”, 12th International Conference on
Artificial Intelligence and Soft Computing. Zakopane 2013. To appear.
[22] J. Wan and J. Hao, “A new version of 2-tuple fuzzy linguistic
representation model for computin with words”, IEEE Trans. Fuzzy Syst.,
vol. 14, pp. 435–445, 2006.
[23] S. H. Wei and S. M. Chen, “A new approach for fuzzy risk analysis based
on similarity measures of eneralized fuzzy number”, Expert Syst. Appl., vol.
36, pp. 589–598, 2009.
[24] Z. S. Xu, “A method based on lin uistic a re ation operators for roup
decision makin with lin uistic preference relations”, Inform. Sci., vol. 166,
pp.19–30, 2004.
[25] Z. Xu, S. Shan , W. Qian and W. Shu, “A method or fuzzy risk analysis
based on the new similarity of trapezoidal fuzzy numbers”, Expert Syst.
Appl., vol. 37, pp. 1920–1927, 2010.
[26] L. A. Zadeh, “Fuzzy sets”, Inform. Control, vol. 8, pp. 338–353, 1965.
Was this manual useful for you? yes no
Thank you for your participation!

* Your assessment is very important for improving the work of artificial intelligence, which forms the content of this project

Download PDF

advertising